混合動力系統(tǒng)優(yōu)化及智能能量管理

定　價：￥128.00

作　者：	曾小華、王越等著
出版社：	化學工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網 (￥128.00)

ISBN：	9787122423849	出版時間：	2023-03-01	包裝：	平裝
開本：	16開	頁數：		字數：

內容簡介

　　本書首先以商用車混合動力系統(tǒng)能量流動為出發(fā)點，提出了混合動力系統(tǒng)瞬時效率最優(yōu)的控制方法，并得到了實際案例的驗證。其次針對實際公交客車復雜行駛工況數據，提出了基于能耗特征的數據挖掘方法，對車聯(lián)網數據進行了有效利用。在此基礎上，提出有效利用車聯(lián)網信息的分層優(yōu)化自適應智能能量管理方法與深度強化學習智能能量管理控制方法，并對這些智能能量管理控制方法的最優(yōu)性與工況適應性、實時性均進行了驗證。本書緊密結合工程應用的基本要求，內容完整、系統(tǒng)、重點突出，強調知識的應用性，具有較強的針對性。本書適合汽車研發(fā)設計、教學科研等相關人員使用。

作者簡介

　　曾小華，吉林大學汽車仿真與控制國家重點實驗室教授、博士生導師。主要研究領域：節(jié)能與新能量汽車關鍵技術的研究，主要包括油電混合動力汽車、液壓混合動力汽車的驅動理論、設計方法與控制技術。1999年開始并一直進行節(jié)能與新能源汽車技術開發(fā)，已發(fā)表論文50余篇，為多家國內外權威期刊論文評審專家；申請專利10余項，已獲授權發(fā)明專利7項。負責與參加20余項國家“863”項目、自然基金項目，省部級重點、重大項目以及龍頭整車企業(yè)項目。積累了豐富的節(jié)能與新能源汽車技術開發(fā)經驗和成果。教育背景：1995至1999年就讀于吉林工業(yè)大學汽車學院車輛工程系，獲得工學學士學歷；1999至2002年就讀于吉林大學汽車工程學院車輛工程系，獲得工學碩士學位；2002至2006年就讀于吉林大學汽車工程學院車輛工程系，獲得工學博士學位；工作經歷：2000年－2004年，吉林大學，汽車動態(tài)模擬國家重點實驗室，助教2004年－2008年，吉林大學，汽車動態(tài)模擬國家重點實驗室，講師2008年－2013年，吉林大學，汽車仿真與控制（原汽車動態(tài)模擬）國家重點實驗室，副教授，碩士生導師2013年—至今，吉林大學，汽車仿真與控制（原汽車動態(tài)模擬）國家重點實驗室，教授，博士生導師。

圖書目錄

第1章　緒論 001
1.1　節(jié)能與新能源汽車的發(fā)展概況 002
1.2　混合動力系統(tǒng)優(yōu)化設計方法研究 004
1.2.1　混合動力系統(tǒng)構型拓撲研究現狀 005
1.2.2　混合動力系統(tǒng)設計參數與控制聯(lián)合優(yōu)化研究現狀 009
1.3　融合車聯(lián)網信息的混合動力系統(tǒng)能量管理控制研究 011
1.3.1　車聯(lián)網與車輛節(jié)能技術 011
1.3.2　混合動力車輛行駛工況信息研究現狀 015
1.3.3　混合動力車輛能量管理策略研究現狀 018
1.4　本章結語 023
第2章　混合動力系統(tǒng)優(yōu)化設計方法 025
2.1　混合動力系統(tǒng)構型拓撲分析 026
2.1.1　構型拓撲生成 026
2.1.2　生成結果與分析 035
2.2　混合動力系統(tǒng)內外雙層參數優(yōu)化方法 040
2.2.1　優(yōu)化三要素的確定 041
2.2.2　混合動力系統(tǒng)參數-控制雙層優(yōu)化算法設計 045
2.3　優(yōu)化結果驗證與分析 048
2.4　本章結語 066
第3章　基于車聯(lián)網信息行駛工況處理 068
3.1　車聯(lián)網信息下汽車行駛工況數據獲取 069
3.1.1　新能源汽車車聯(lián)網平臺介紹 069
3.1.2　基于車聯(lián)網的行駛工況數據獲取 072
3.1.3　車聯(lián)網平臺下行駛工況數據質量問題 075
3.2　車聯(lián)網平臺下行駛工況數據缺失與數據噪聲處理 077
3.2.1　基于插補與神經網絡的缺失數據估計方法 078
3.2.2　基于小波變換的噪聲數據濾波方法 078
3.2.3　行駛工況噪聲數據清洗方法 080
3.3　車聯(lián)網平臺下行駛工況數據處理的評價方法 083
3.3.1　行駛工況數據誤差評價指標 083
3.3.2　行駛工況特征參數評價指標 083
3.4　本章結語 084
第4章　基于車聯(lián)網信息行駛工況數據挖掘 085
4.1　數據挖掘理論在行駛工況數據中的應用 086
4.2　基于能耗特性的公交線路行駛工況特征參數分析 087
4.2.1　公交線路特征統(tǒng)計分析 088
4.2.2　基于公交客車線路特點的行駛工況特征參數集 090
4.2.3　車輛能耗特性與工況特征關系分析 092
4.2.4　基于能耗回歸分析模型的工況特征參數篩選 096
4.3　基于能耗特征與線路特征參數的固定線路行駛工況合成 097
4.3.1　基于K-Means 算法的工況聚類分析 098
4.3.2　馬爾可夫鏈狀態(tài)轉移矩陣 100
4.3.3　公交線路行駛工況合成結果分析 101
4.4　基于能耗特征與線路特征參數的未來行駛工況智能預測 103
4.4.1　基于LS-SVM 和BP-NN 的智能預測模型 103
4.4.2　未來工況智能預測模型對比 105
4.4.3　未來工況預測精度影響因素分析 108
4.4.4　未來工況預測模型的魯棒性分析 112
4.5　本章結語 114
第5章　基于行駛工況信息的分層優(yōu)化自適應能量管理策略 115
5.1　行星式混合動力公交客車功率分流特性及其能量管理 116
5.1.1　雙行星排功率分流式混合動力系統(tǒng)構型 116
5.1.2　雙行星排式混合動力系統(tǒng)功率分流狀態(tài)分析 119
5.1.3　雙行星排式混合動力系統(tǒng)能量管理策略 121
5.2　分層優(yōu)化自適應智能能量管理策略概述 125
5.2.1　分層優(yōu)化自適應智能能量管理策略研究內容 125
5.2.2　分層優(yōu)化自適應智能能量管理策略架構 126
5.3　基于固定線路合成工況的近似全局最優(yōu)控制 127
5.3.1　考慮終止約束的全局優(yōu)化SOC 軌跡求解 128
5.3.2　基于近似全局最優(yōu)的模式切換規(guī)則提取 131
5.3.3　基于近似全局最優(yōu)的SOC 軌跡規(guī)劃模型 133
5.4　基于未來工況預測的A-ECMS 自適應控制 135
5.4.1　基于PMP 的等效燃油消耗最小策略 136
5.4.2　基于未來工況預測信息的自適應規(guī)律 139
5.4.3　基于LQR 控制器的SOC 跟隨策略 140
5.5　分層優(yōu)化自適應智能能量管理策略驗證與分析 142
5.5.1　分層優(yōu)化自適應智能能量管理策略最優(yōu)性 142
5.5.2　分層優(yōu)化自適應智能能量管理策略適應性 147
5.6　硬件在環(huán)試驗 148
5.6.1　硬件在環(huán)試驗平臺 148
5.6.2　硬件在環(huán)試驗結果分析 150
5.7　本章結語 153
第6章　基于固定線路全局優(yōu)化的深度強化學習能量管理策略 154
6.1　學習型智能能量管理控制策略概述 155
6.1.1　學習型智能能量管理策略研究進展 155
6.1.2　學習型智能能量管理的控制問題 157
6.2　基于固定線路全局優(yōu)化的深度強化學習能量管理策略 159
6.2.1　Deep Q-Learning 深度強化學習算法 159
6.2.2　基于固定線路行駛信息的深度強化學習策略架構 161
6.2.3　Deep Q-Learning 能量管理策略算法設計 162
6.3　基于固定線路全局優(yōu)化的深度強化學習能量管理策略驗證 163
6.3.1　F-DQL-EMS 智能能量管理策略的最優(yōu)性 164
6.3.2　F-DQL-EMS 智能能量管理策略的工況適應性 167
6.4　硬件在環(huán)試驗 168
6.5　兩種智能能量管理策略對比分析 170
6.5.1　智能能量管理策略的最優(yōu)性 170
6.5.2　智能能量管理策略的工況適應性 171
6.5.3　智能能量管理策略的總結分析 172
6.6　本章結語 172
第7章　全書總結 174
7.1　內容總結 175
7.2　未來展望 176
名詞簡寫 178
名詞索引 179
參考文獻 182